Łańcuch dostaw

Prognozowanie popytu: metody i najczęstsze błędy

Prognoza popytu decyduje o tym, ile towaru zamówisz i ile zamrozisz w zapasie. Oto metody, miary trafności i błędy, które zdarzają się najczęściej.

Redakcja Centrum Logistyki3 min czytania

Planista przy monitorze z wykresem sprzedaży i sezonowości, obok regał z zapasami towaru

Prognozowanie popytu to szacowanie, ile towaru klienci kupią w danym okresie. Na tej podstawie planuje się zakupy, produkcję, zatrudnienie i miejsce w magazynie. Nie istnieje metoda, która trafia zawsze, ale dobrze dobrana technika i regularna kontrola błędu pozwalają ograniczyć zarówno braki, jak i nadmiar zapasów. Poniżej przegląd najczęściej stosowanych metod, miar trafności i pułapek.

Skąd brać dane do prognozy

Podstawą jest historia sprzedaży, najlepiej z co najmniej dwóch pełnych cykli sezonowych. Warto oczyścić ją z jednorazowych zdarzeń, takich jak duża akcja promocyjna, brak towaru na półce czy zamówienie specjalne, bo zniekształcają obraz zwykłego popytu. Sprzedaż w okresie braku towaru nie jest popytem, tylko jego zaniżonym śladem.

Do danych o sprzedaży dochodzą informacje zewnętrzne: kalendarz promocji, planowane zmiany cen, sezon, święta i zapowiedzi dużych klientów. W firmach B2B bardzo cenna jest wiedza handlowców o planach odbiorców.

Metody ilościowe

Metoda Jak działa Kiedy się sprawdza
Naiwna przyjmuje, że popyt będzie taki jak w poprzednim okresie stabilny popyt, punkt odniesienia dla innych metod
Średnia ruchoma średnia z ostatnich n okresów popyt bez wyraźnego trendu i sezonu
Średnia ważona nowsze okresy mają większą wagę popyt, który powoli się zmienia
Wygładzanie wykładnicze nowa prognoza to poprzednia plus część błędu wiele pozycji, prosta automatyzacja
Modele z trendem i sezonowością rozdzielają poziom, trend i wahania sezonowe towary sezonowe, dłuższa historia
Regresja łączy popyt z czynnikami, np. ceną lub promocją gdy znane są czynniki wpływające na sprzedaż

W wygładzaniu wykładniczym stała wygładzania, zwykle między 0 a 1, decyduje o wrażliwości. Wysoka wartość szybko reaguje na zmiany, ale przenosi też przypadkowe wahania. Niska daje spokojną prognozę, która z opóźnieniem zauważa realną zmianę.

Metody jakościowe

Gdy brakuje historii, na przykład przy nowym produkcie, stosuje się oceny ekspertów, ankiety wśród klientów i porównanie z podobnymi wyrobami. Dobrym uzupełnieniem prognozy statystycznej jest korekta od handlu, która uwzględnia znane, ale jeszcze niewidoczne w danych zdarzenia. Warunek jest jeden: korekty trzeba zapisywać i rozliczać, żeby wiedzieć, czy ręczna ingerencja poprawia wynik.

Jak mierzyć trafność prognozy

Błąd prognozy to różnica między tym, co przewidziano, a tym, co się sprzedało. Najczęściej używane miary:

  • MAE, czyli średni błąd bezwzględny, wyrażony w sztukach,
  • MAPE, czyli średni błąd procentowy, wygodny w porównaniach, ale zawodzący przy popycie bliskim zera,
  • BIAS, czyli średni błąd ze znakiem, który pokazuje, czy prognozy są systematycznie zawyżone, czy zaniżone,
  • WAPE, czyli suma błędów bezwzględnych podzielona przez sumę sprzedaży, dobra dla całych grup produktów.

Przykład obliczenia

Prognoza na trzy tygodnie wynosiła 100, 120 i 110 sztuk, sprzedaż to 90, 130 i 100. Błędy bezwzględne to 10, 10 i 10, więc MAE wynosi 10 sztuk. Suma sprzedaży to 320, suma błędów 30, zatem WAPE to 30/320, czyli około 9,4%.

Mierz trafność na poziomie, na którym podejmujesz decyzje. Prognoza dla całej firmy bywa dokładna, a dla pojedynczego indeksu bardzo słaba. Dla pozycji o zróżnicowanej rotacji pomocny jest podział, jaki daje analiza ABC i XYZ: im bardziej nieregularny popyt, tym większy zapas bezpieczeństwa zamiast próby trafienia co do sztuki.

Najczęstsze błędy

  • Traktowanie sprzedaży jak popytu, mimo braków towaru w okresie historycznym.
  • Jedna metoda dla całego asortymentu, choć towary mają różny charakter.
  • Brak pomiaru błędu, więc nikt nie wie, czy prognoza jest lepsza niż zgadywanie.
  • Zbyt częste ręczne poprawki, które pogarszają wynik.
  • Ignorowanie kalendarza promocji i zmian cen.
  • Prognoza liczona osobno w każdym ogniwie, bez wymiany informacji, co sprzyja efektowi byka.

Prognozowanie przy popycie nieregularnym

Towary sprzedawane rzadko i nieregularnie, na przykład części zamienne, mają wiele okresów z zerową sprzedażą. Zwykła średnia ruchoma daje wtedy wartości, które nigdy się nie zdarzają, a MAPE traci sens. W takich przypadkach stosuje się metody dla popytu przerywanego albo prognozuje się łączny popyt w czasie dostawy i dobiera zapas bezpieczeństwa. Najważniejsze jest rozpoznanie tego typu towaru w asortymencie i potraktowanie go inaczej niż pozycji stałych.

Pomocne jest też łączenie danych. Prognoza całej grupy produktów bywa trafna, a następnie rozdzielana na indeksy według udziałów. Takie podejście od góry w dół redukuje wpływ losowych wahań pojedynczych pozycji.

Od prognozy do zapasów

Prognoza sama nie ustala zamówień. Trzeba jeszcze uwzględnić czas dostawy, wielkość partii i poziom obsługi, jaki firma chce zapewnić. Dla produkcji kolejnym krokiem jest planowanie potrzeb materiałowych MRP, które przelicza prognozę na zamówienia komponentów.

Na start wystarczy prosty cykl: wybierz metodę bazową, policz BIAS i WAPE co miesiąc, porównaj z prognozą naiwną i zmień metodę dopiero wtedy, gdy wyraźnie przegrywa. Jeśli wyrafinowany model nie pobija najprostszej prognozy, nie ma powodu go utrzymywać.

Czytaj dalej